基于多域特征的BA - KELM微型电机故障检测EI北大核心CSCD

针对目前对于微型电机故障检测的研究较少及基于单域特征的传统电机诊断方法精度低等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)及蝙蝠算法(bat algorithm, BA)优化核极限学习机(kernel based extreme learning machine, KELM)的微型电机故障检测方法。所提方法包括样本集构造、模型训练及参数优化和模型测试3个步骤:首先,对采集到的微型电机信号进行EEMD处理并依据相关系数原则筛选出主要的本征模态分量(intrinsic mode fuction, IMF),结合计算得到的电机信号的时域、频域特征构造多域特征集并进行归一化处理,按一定比例将样本集划分训练集和测试集;其次,输入训练集,以错误率为适应度,并采用蝙蝠算法对KELM模型进行参数优化;最后,输入测试集对优化的BA-KELM模型进行测试,并与其他模型进行对比。试验结果表明,所提方法的准确率达98.75%,高于其余方法。     

采用最优集成学习的小样本电磁脉冲信号分类

闪电与核爆电磁脉冲分类是核检测系统中的关键问题，其主要难点便是其正负样本不均衡程度可达到10⁴,因此我们提出了一种名为SMALLBAG的集成学习分类方法。针对小样本问题，通过对少数类样本进行数据增强和多数类样本重采样的方法重新构建新的训练数据集，分别提取时域、频域、小波域的特征以表征信号。针对样本不均衡问题，提出了基于新采样数据集的集成学习方案，减少样本不均衡影响同时提高分类准确率。该模型能够在保证准确率的同时保证实时性要求，试验结果显示识别准确率可达99.99%,测试速度为每个样本0.67 ms。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于改进最大相关最小冗余的选择性集成分类器

在构建选择性集成分类器时,寻找分类准确率高且差异性大的最优分类器子集至关重要.为平衡集成子集中基分类器的准确性和多样性,提出了一种基于改进最大相关最小冗余的选择性集成分类器(ImRMRSEC).首先,将基分类器对验证集的预测结果视为一个个"特征",把特征选择的思想扩展到集成分类器的约简问题中,基于最大相关最小冗余准则寻...     

基于深度学习的无线电信号对抗样本检测研究

针对无线电信号的攻击愈来愈频繁的情况,本文在数据流形理论基础上,使用深度神经网络(DNN)检测无线电信号对抗样本及其攻击方法。首先使用5种不同攻击方法对无线电信号进行攻击产生对抗样本,其次使用3种不同的神经网络检测对抗样本,最后用残差神经网络(ResNet)检测对抗样本的攻击方法。在信噪比(SNR)为30 d B和20 dB的无线电信号数据上的实验结果表明,本文所使用的残差神经网络检测精度接近100%,在信噪比为10 dB的无线电信号数据上的检测精度仍然在90%以上。结果表明本文所用的残差神经网络能有效检测无线电信号的对抗样本及其攻击方法。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于特征加权的朴素贝叶斯流量分类方法研究

研究了被广泛应用于互联网流量分类的朴素贝叶斯分类方法的性能特点,针对此方法在给定类别下给出的所有流量特征同等重要并且是独立的假设在现实中难以满足,致使分类准确率不高的问题,提出一种基于特征加权的朴素贝叶斯流量分类算法。该算法基于NetFlow记录的特征信息,采用特征选择算法ReliefF和相关系数方法计算每个特征的权重值,然后将网络流量分配至后验概率最大的应用类别中。实验结果表明,这种基于特征加权的朴素贝叶斯算法具有超过94%的分类准确率,并且维持了朴素贝叶斯方法简单高效、分类稳定的特性,可以满足当前高带宽网络流量分类的需求。     

导引概率图与显著特征相结合的行人目标检测

研究了仿生人眼视觉注意机制,采用目标导引概率图作为自上而下的信息,通过调制基于目标显著特征的自下而上信息,实现行人目标检测的方法。首先,对相似场景的目标样本图像提取尺度不变特征变换(SIFT)特征,基于贝叶斯公式,采用高斯混合模型(GMM)建立目标导引概率模型,利用期望最大(EM)算法和狄利克雷过程(DP)自动估计模型参数;进而,对一副待检测图像,采用已估概率模型计算图像中每一像元的目标似然性,形成导引概率图作为自上而下的信息;同时,针对行人目标,模拟中央-外周机制计算多尺度的肤色特征和竖直方向特征,形成基于目标显著特征的自下而上信息;最后,将两者结合得到候选目标区域,再通过提取候选区域的积分梯度直方图和等价的局部二值模式(LBP)特征,输入到级联支持向量机(SVM)分类器,验证并得到目标检测结果。基于实拍数据库和复旦大学-宾夕法尼亚大学行人数据库的大量实验表明,对概率模型的这种改进能显著提升行人目标预测效果,且检测算法在整体上优于传统检测算法。     

基于特征融合和交叉核SVM的快速行人检测方法

行人检测是目标识别领域的一大难点。现阶段用于行人检测的特征维数都比较高,为克服高维特征对实时性的影响,本文运用主元分析(PCA)对特征进行降维,加快检测速度。单一特征的信息有限,本文运用基于线性鉴别分析(LDA)的线性权重融合原则对一些底层特征(颜色、梯度、直方图)和多层次导向边缘能量特征进行特征融合使特征具有多源信息。且上述特征可采用积分图技术进行快速计算,所以行人检测系统的鲁棒性和实时性得到加强。在目标识别领域直方图交叉核支持向量机(HIKSVM)具有分类快,且准确率高的优点,采用其进行分类,系统实时性更进一步提升。实验表明本文方法检测速度和检测率优于经典的HOG+SVM算法。     

基于模糊聚类算法的配电物联网潜在攻击行为的安全检测

受到特征点对点匹配机制的限制,虽然配电物联网攻击行为个体监测精度高,但是整体检测精准度偏低,无法适应配电物联网攻击行为的检测应用,由此设计基于模糊聚类算法的配电物联网潜在攻击行为安全检测技术。结合配电物联网攻击行为数据特征,采用模糊聚类算法对其检测过程进行优化,改进基于模糊聚类算法的配电物联网区块模型,定义攻击行为节点的模糊聚类条件,进行攻击行为模糊聚类规格化计算、攻击行为识别输出,实现配电物联网潜在攻击行为安全检测。仿真数据测试结果表明:所提方法能够有效提升配电物联网攻击行为检测的整体精度,且稳定性指标能够满足连续性检测任务。     

基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究EI北大核心CSCD

针对焊缝缺陷检测信号信息丰富度低、深度网络架构人工依赖性强等问题,开展基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究。构建时域数据集并衍生至实数域与复数域中,丰富检测信号的特征表达;设计多域信息融合模型,充分融合特征域信息;提出面向卷积神经网络多维超参数自寻优的模型优化策略,提高模型的效率和性能。试验表明,所提方法对五类焊缝缺陷识别准确率为96.54%,能够在提升识别准确率同时保持较少的参数量和计算消耗,具有较强的实用性和泛化性。     

一种基于自适应集成学习代理模型的结构可靠性分析方法

结构可靠性分析需要精确计算结构或系统的失效概率,当结构失效概率低时,运算量大且操作困难。可采用代理模型替代原始性能函数,结合自适应实验设计,在保证准确率的同时大幅减少原始模型的总运行次数。该文提出了基于自适应集成学习代理模型的结构可靠性分析方法,将适应性较广的Kriging与最近发展的PC-Kriging代理模型集成;利用代理模型提供预测点的方差特征,提出新的集成学习函数,识别高预测误差区域,实现高效拟合失效边界;通过主动学习算法在预测误差大和接近极限状态的区域添加采样,迭代更新集成代理模型。通过3个算例,验证了该文方法与单一代理模型结构可靠性分析方法的优势,与AK-MCS+U和AK-MCS+EFF相比,所提方法计算成本低、准确度高。     

基于P2P的网络恶意代码检测技术研究

提出了一种基于P2P的大规模分布式网络恶意代码检测模型,描述了系统各个部分的功能与实现.该模型利用改进的Rabin指纹算法实现了对恶意代码特征码的自动提取.提出了基于子序列指纹的分布式存储的信息融合策略,并在此基础上给出了分布式架构下的恶意代码检测算法.这种方法适用于大规模网络中的恶意代码的检测.     

基于注意力与特征融合的工程机械目标检测方法

目的 针对施工环境中工程机械目标大小不一、相互遮挡、工作形态各异等问题,提出一种基于注意力与特征融合的目标检测方法(AT–FFRCNN)。方法 在主干网络中采用ResNet50和特征路径聚合网络PFPN,融合不同尺度的特征信息,在区域建议网络(RPN)和全连接层引入注意力机制,提高目标识别的能力,在损失函数中使用广义交并比(GIoU),提高目标框的准确性。结果 实验表明,文中提出方法检测准确率比其他方法有较大提高,检测平均准确率(mAP)达到90%以上。结论 能够较好地完成工程机械目标的检测任务。     

基于Boosting的多联机制冷剂充注量故障诊断集成模型

多联机空调系统被广泛用于各种公共建筑物,一旦发生故障会导致舒适性降低,能耗增加。制冷剂充注水平是影响空调系统高效运行的重要参数。本文提出一种基于Boosting集成算法的故障诊断模型,以制冷剂充注量故障为研究对象,将逻辑回归、决策树、随机森林、支持向量机和BP神经网络等5个基分类器集成,使用卡方检验进行特征选择,并使用制冷、制热模式的实验数据建立诊断模型。结果表明:基于Boosting的集成模型能高效检测多联机制冷剂充注量的故障,准确率高达96. 8%,相比于传统故障检测方法,大幅提高了诊断模型的响应速度、准确度和实用性。     

一种自适应容忍入侵的密码协议安全运行防护系统

针对密码协议在实际运行中遭受攻击的问题,设计了自适应容忍入侵的密码协议安全运行防护系统.该防护系统主要由入侵检测模块和容忍入侵模块组成.入侵检测模块采用基于特征和异常的混合入侵检测模式,使用有限状态自动机(FSM)匹配密码协议执行中的各状态参数,实时检测密码协议的运行情况,并把检测结果发送给容忍入侵模块,触发容忍入侵模块根据预先设计好的自适应调整策略,对密码协议的运行进行调节,以达到容忍攻击的目的.采用模拟试验对系统模型进行了仿真测试,测试结果表明该模型能够在一定程度上成功检测对密码协议的攻击行为,并具有容忍某些特定类型攻击的能力.     

基于MTF-CNN的轴承故障诊断研究EI北大核心CSCD

轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。     

基于支持向量回归的装备可靠性评估新方法

针对经典的装备可靠性评估方法在小样本情况下难以得到满意的评估结果的问题,提出了一种综合运用支持向量回归(SVR)算法和自适应重要抽样(AIS)算法进行评估的新方法.该方法通过分析小样本条件下装备可靠性评估原理,建立基于SVR和AIS的装备可靠性评估模型,分析小样本条件下开展装备可靠性评估的过程,给出相应的统一建模语言(...     

基于ICEEMDAN能量矩和HHO-KLEM的滚动轴承故障诊断

为充分提取振动信号的特征信息并提高滚动轴承故障类型分类的准确率,提出一种基于改进的完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)能量矩和哈里斯鹰算法-核极限学习机(Harris Hawk Algorithm-kernel Limit Learning Machine,HHO-KELM)的滚动轴承诊断方法。首先采用ICEEMDAN将原始振动信号分解并得到一系列本征模态函数(Intrinsic Mode Function,IMF)，利用能量矩对其进行特征提取并构造包含关键特征信息的多维特征向量；其次将故障特征向量用于KELM的模型训练，通过HHO对KELM的正则化系数和核参数进行优化；最后通过HHO-KELM模型进行滚动轴承故障诊断。实验数据分析结果表明：所提出的方法分类可有效保留不同故障类型的特征差异，能够提高轴承故障识别准确率，具有一定的可靠性和实用性。     

基于离散化动态图的协同过滤推荐算法

基于图卷积网络(GCN)模型在学习用户/物品表示方面表现出了强大的性能,给传统的协作过滤(CF)算法带来了新的研究突破。然而,现有的基于GCN的CF方法仍然都是针对静态图建模,而在实际场景中,用户与物品的交互不是一成不变的,会随着时间的推移而持续演化;GCN中的过平滑问题会极大地限制现有推荐算法的表示学习建模。为解决上述问题,提出了基于动态图的协同过滤算法(DynGCF),其目的是通过同时捕获图的结构和时态演化信息来学习用户和物品的嵌入表示。DynGCF首先采用GCN学习每个离散快照图上的用户/物品嵌入,然后应用时间卷积网络(TCN)和自注意力机制学习,最终嵌入表示。为缓解过平滑问题,本文改进了传统GCN中的关键模块,即邻域聚合,通过在1阶交互图和2阶共现图建模用户和物品的交互。在4个真实数据集上与基于GCN的CF方法和动态图的基线方法对比,验证了DynGCF的性能提升,并分析验证了改进的方法能有效缓解过平滑问题。